具体实施方式

在此描述的每一个特征以及两个或更多个这些特征的组合中的每个都包括在本发明的范围内，只要这个组合中包括的特征彼此不矛盾。

如本文进一步描述的，实时评估所采集信号的信号质量，并且如果所采集的信号被噪声破坏，则生成通知并将其提供给主治技师。在一种或多种实现中，评估包括：(1)电力线干扰的检测；(2)突然移动的检测；(3)噪声突发的检测；(4)最小信噪比(SNR)的确认；和/或(5)异步噪声的检测(例如，肌电图(EMG)噪声)。

如本文进一步描述的，采集信号并实时确定采集是否存在问题(例如，采集的信号被立即处理以确定该采集的信号是可接受的还是不可接受的，该采集的信号的质量是否足够用于进行后续评估等)；如果有问题，则提供输出以指示需要再次执行信号采集(即，如果采集的信号不可接受，则拒绝该采集的信号)。

图1A是根据示例性实施例的例示系统100的图，该示例系统100被配置为量化和去除异步噪声(例如与骨骼肌肉相关的伪影噪声污染)，并且使用这样的量化来更准确地评估准周期系统中的复杂非线性变异性。如本文所用，术语“去除”和其他类似术语是指改善或有益于后续分析的噪声污染的全部或部分的任何有意义的减少。

在图1A中，测量系统102是非侵入性实施例(显示为“测量系统(生物物理)”102)，其经由任意数量的测量探针114(在图1中的系统100中示出为包括6个这样的探针114a、114b、114c、114d、114e和114f)从受试者106采集多个生物物理信号104，以产生生物物理信号数据集108，其可用于非侵入性生物物理信号评估系统110以确定临床输出112。在一些实施例中，临床输出包括对所研究的生理系统的所估计生理特征和/或疾病的存在或不存在的评估。在其他实施例中，没有临床输出，而是输出信息，临床医生可以使用这些信息的输出来提供他们自己对于与正在评估其信号的患者有关的信息的临床评估。

在一些实施例中，并且如图1A所示，测量系统102被配置为从已经通过前端放大和数字化操作116处理/调节的放大和数字化的生物物理信号数据集117中去除异步噪声污染(例如，经由操作118)。噪声污染去除操作118基于对数据集117中可能存在的异步噪声的量化。在去除异步噪声的一些实施例中，一旦(例如，根据所采集的生物物理信号数据集108的几个样本)建立了代表性的周期数据集，操作118就可以例如经由处理器和相应的指令或经由数字电路(例如，CPLD、微控制器等)而近乎实时地执行。所采集的生物物理信号数据集108指的是在前端放大和数字化操作116之后由测量系统102产生的或在测量系统102内产生的任何数据集(例如，117、108)。在一些实施例中，可以使用几百个样本来建立代表性周期数据集。在其他实施例中，可以使用几千个样本来建立代表性周期数据集。在一些实施例中，异步噪声的量化在集成到前端放大和数字化操作116中并与其一起操作的硬件电路中执行。

在一些实施例中，测量系统102被配置为经由生物电势感测电路采集可以基于身体的生物电势的生物物理信号作为生物电势生物物理信号。在心脏和/或心电图环境中，测量系统102被配置为捕获活体(例如人)的心脏相关生物电势信号或电生理信号作为生物电势心脏信号数据集。在一些实施例中，测量系统102被配置为采集宽带心脏相位梯度信号作为生物电势信号或其他信号类型(例如，电流信号、阻抗信号、磁信号、光信号、超声或声学信号等)。关于采集的信号及其对应数据集的术语“宽带”是指频率范围显著大于感兴趣的生理系统的最高主频率的奈奎斯特采样率的信号。对于通常具有约0.5Hz到约80Hz之间的主频率分量的心脏信号，宽带心脏相位梯度信号或宽带心脏生物物理信号包括从以下范围构成的群组中选择的频率的心脏频率信息：约0.1Hz到约1KHz之间，约0.1Hz到约2KHz之间，约0.1Hz到约3KHz之间，约0.1Hz到约4KHz之间，约0.1Hz到约5KHz之间，约0.1Hz到约6KHz之间、约0.1Hz到约7KHz之间、约0.1Hz到约8KHz之间、约0.1Hz到约9KHz之间、约0.1Hz到约10KHz之间以及约0.1Hz到大于10KHz之间(例如，0.1Hz到50KHz或0.1Hz到500KHz)。除了捕获主要频率分量之外，宽带采集还有助于捕获其他感兴趣的频率。此类感兴趣频率的例子可包括QRS频率分布图(其频率范围可高达250Hz)等。与采集的信号和相应的数据集有关的术语“相位梯度”，其是指在身体的不同有利位置点采集的信号，以观察感兴趣的生理系统的一组不同事件/功能的相位信息。在信号采集之后，术语“相位梯度”是指通过使用非失真信号处理和预处理硬件、软件和技术(例如，相位线性滤波器和信号处理算子和/或算法)保留相位信息。

在神经学背景下，测量系统102被配置为捕获活体(例如人)的神经学相关生物电势或电生理学信号作为神经学生物物理信号数据集。在一些实施例中，测量系统102被配置为采集宽带神经相位梯度信号作为生物电势信号或其他信号类型(例如，电流信号、阻抗信号、磁信号、超声、光信号、超声或声音信号等)。测量系统102的例子在公开号为2017/0119272和2018/0249960的美国专利申请中进行了描述，它们中的每一个通过引用整体并入于此。

在一些实施例中，测量系统102被配置为捕获宽带生物电势生物物理相位梯度信号作为未滤波的电生理信号，使得信号的频谱分量不被改变。实际上，在这样的实施例中，宽带生物电势生物物理相位梯度信号在不被滤波(如果被滤波，将会影响感兴趣的生物物理信号的相位线性)的情况下被捕获、转换甚至分析(通过例如硬件电路和/或数字信号处理技术等)(例如，在数字化之前)。在一些实施例中，宽带生物电势生物物理相位梯度信号以处于或显著低于常规心电图、脑电图和其他生物物理信号采集仪器的本底噪声的微伏或亚微伏分辨率被捕获。在一些实施例中，宽带生物电势生物物理信号被同时采样，其具有小于约1微秒的时间偏差或“滞后”，并且在其他实施例中，具有不超过约10飞秒的时间偏差或滞后。值得注意的是，例示化系统最大限度地减少了采集的宽带相位梯度信号中的非线性失真(例如，那些可以经由某些滤波器引入的失真)以不影响其中的信息。

仍然参考图1A，评估系统110被配置为通过例如网络接收所采集的生物物理信号数据集108(在该实施例中已经去噪的数据集108)并且在一些实施例中，通过变换操作120(标记为“相空间变换”120)生成一个或多个三维矢量心电图数据集122以用于经由例如相位梯度生物物理信号数据集108的一个或多个机器学习分析操作和/或一个或多个预测器操作(显示为步骤124)进行分析。变换操作和机器学习/预测器操作的示例在下面以及公开号为2013/0096394的美国专利申请中讨论，其通过引用整体并入本文中。在一些实施例中，所采集的生物物理信号数据集108被构造为多维数据集用于后续处理而无需显式变换；例如，在中间数据集没有被可视化的情况下。

在一些实施例中，测量系统102被配置为评估所采集的生物物理信号的信号质量并且基于这样的评估拒绝所采集的信号数据集的一些或全部。图1B是根据另一示例性实施例的例示系统的图，该例示系统被配置为基于通过异步噪声和伪影污染的量化对所采集的生物物理信号质量评估来拒绝所采集的生物物理信号。在一些实施例中，测量系统102被配置为基于异步噪声的量化来执行异步噪声去除操作118和信号质量评估操作130。

因为在一些实施例中，可以在与测量系统102分离的系统(例如，评估系统110)上执行对所采集的生物物理信号108的临床分析，所以信号质量检查确保了所采集的生物物理信号数据集108适用于后续的临床分析。该操作可以有助于提示非侵入性测量系统102对生物物理信号数据集的重新采集，从而确保了在所采集的生物物理信号数据集受到或用于进一步处理和分析以进行临床评估之前该所采集的生物物理信号数据集不会受到异步噪声(如骨骼肌相关噪声)的污染。

在一些实施例中，接近实时地执行信号质量评估操作130(例如，在短于约1分钟或短于约5分钟内)，响应于此，系统102可以提示重新采集生物物理信号数据集。如果需要，这种接近实时的评估允许在患者离开检查室或采集生物物理信号的其他位置之前重新采集生物物理信号数据集。在一些实施例中，由评估系统110执行以确定临床输出的分析需要执行大约10-15分钟。在其他实施例中，该分析需要执行少于约5分钟。在另外的实施例中，该分析需要执行大约5-10分钟。在又一实施例中，该分析执行多于约15分钟。

在一些实施例中，在与患者相同的物理位置(例如，在位于患者卧室或临床医生检查室中的一个或多个计算设备和/或存储设备上)进行整个信号评估。在一些实施例中，在与患者的物理位置不同的物理位置(例如，在位于另一个房间、另一个建筑物、另一个州、另一个国家等中的一个或多个计算设备和/或存储设备上)进行整个信号评估。在一些实施例中，在涉及多个物理位置和多个计算设备和/或存储设备的联网环境中进行信号评估。可以确保这种联网环境以保护其信号正在被评估的患者的隐私，以例如符合各种隐私要求。

在一些实施例中，在从患者处采集信号时执行信号评估——例如，与信号评估系统能够操作的一样快或几乎一样快(例如，实时或接近实时，取决于信号评估系统配置、网络限制等)。在其他实施例中，信号评估部分地在采集信号时执行并且部分地在从患者采集信号并存储之后执行。在其他实施例中，没有信号是在从患者采集时被评估的，而是信号被存储以用于在相对于它们从患者处采集的时间之后的时间对其进行评估。当然，所有信号(无论它们在何时被评估)，都可以在采集之后被存储以供以后评估或重新评估。

一个或多个临床医生可以全部或部分地基于由系统通过本文描述的方法执行的患者的信号评估来执行该患者的临床评估。这样的临床医生可以在物理上与患者在一起和/或在物理上处于远离患者的位置。本文所述的信号评估系统还可以通过例如由信号评估系统执行的一个或多个操作的临床输出的方式，整体或部分地执行患者的临床评估。或者，信号评估系统可以简单地提供达不到临床评估的信息，供临床医生在执行他们自己的对于患者的临床评估时使用。并且在信号评估系统确实提供临床输出的情况下，临床医生也可以在执行他们自己对于患者的最终临床评估时选择接受或拒绝这样的临床输出，例如在(如法律、协议、保险要求等)希望或甚至需要这样的临床医生的参与和做出最终决策这样的情况下。

在一些实施例中，非侵入性测量系统102被配置为生成用于通知生物物理信号数据集的采集失败或不合适的通知126(在图1B中标记为“显示失败的信号质量评估”126)，其中，通知还可以提示重新采集生物物理信号。通知可以是任何形式的，例如，提供给技术人员或临床医生和/或患者的视觉输出(例如，屏幕上的一个或多个指示灯或指示器)、音频输出、触觉/振动输出(或其任何组合)。例如，在以下文献中提供了可以呈现该通知126的测量系统102的用户接口(例如图形用户接口)的例子：在2016年8月26日提交的公开号为2017/0119272、发明名称为“Method and Apparatus for Wide-Band Phase Gradient SignalAcquisition”的美国专利申请；申请号为29/578,421、发明名称“Display with GraphicalUser Interface”的美国外观设计，其每一个都通过引用整体并入本文。为此，被拒绝的生物物理信号数据集的全部或部分可能不会用于后续分析(例如，120、124)以产生临床输出112。

在一些实施例中，被拒绝的生物物理信号数据集可选地存储在任何合适的存储器(128)中用于进一步(故障排除)分析(132)导致拒绝所采集的信号的缺陷和/或其他原因。为此，被拒绝的生物物理信号数据集的全部或部分可能不用于后续分析(例如，120、124)以产生临床输出112，这取决于任何此类分析132的结果。

在一些实施例中，系统200可以在后续的分析(例如，120、124)中使用全部或一部分被拒绝的生物物理信号数据集，以产生临床输出112或例如提高系统200的操作能力等。

在其他实施例中，临床医生或其他操作者可以单独或结合系统200或在系统200的帮助下控制是否以及如何使用被拒绝的生物物理信号数据集的全部或部分。

图2是根据示例性实施例的例示评估系统200的图。在系统200中，冠状动脉疾病(CAD)评估算法的不同组件被组装以提供CAD的评估。这从接受信号开始，并以终止于返回CAD的最终评估、CAD相对于受影响动脉的定位和/或一个或多个相空间断层摄影数据集/图像的集合(也称为“PST数据集/图像”)。因此，系统200可用于确定例如在受试者的任何冠状动脉中是否存在病变。例如，如果确定了冠状动脉疾病并且该疾病的存在可以定位到适当的冠状动脉，则也可以提供CAD定位评估，例如左回旋支(LCX)、左前降支(LAD)、右冠状动脉(RCA)、其他动脉或它们的一些组合。此外，可以通过相空间分析生成和输出PST数据集/图像(例如，评估的二维或三维图形表示)。

有用的相空间概念和分析的例子在以下文献中进行了描述：公开号为2018/0000371、发明名称为“Non-invasive Method and System for Measuring MyocardialIschemia,Stenosis Identification,Localization and Fractional Flow ReserveEstimation”的美国专利申请；于2018年12月26日提交的公开号为2019/0214137、发明名称为“Method and System to Assess Disease Using Phase Space Volumetric Objects”的美国专利申请；公开号为2019/0200893、发明名称为“Method and System to AssessDisease Using Phase Space Tomography and Machine Learning”的美国专利申请，每篇文献都以引用方式并入于此。

在一些实施例中，系统200包括医疗保健提供者门户(本文也称为“门户”)，其被配置为显示存储的相空间数据集/图像和/或临床输出112，例如在相空间分析和/或血管造影等效报告中对疾病存在和/或不存在的评估和/或所研究的生理系统的估计生理特征(以及其他中间数据集)。在一些实施例中可被称为医师或临床医生门户的医疗保健提供者门户被配置为从存储库(例如，存储区域网络)访问、检索和/或显示或呈现报告和/或相空间体积数据集/图像和/或用于报告的临床输出112(和其他数据)。

在一些实施例中，医疗保健提供者门户被配置为在解剖映射报告、冠状动脉树报告和/或17-节段报告中显示或连同解剖映射报告、冠状动脉树报告和/或17段报告一起显示相空间体积数据集/图像(或从其导出的中间数据集)和/或临床输出112。医疗保健提供者门户可以例如实时(例如，作为网络对象)、以电子文档和/或以其他标准化或非标准化数据集可视化/图像可视化/医疗数据可视化/科学数据可视化格式来呈现数据。在一些实施例中，医疗保健提供者门户被配置为从存储库(例如，存储区域网络)访问和检索报告或相空间体积数据集/图像或用于报告的临床输出(和其他数据)。医疗保健提供者门户和/或存储库可以符合患者信息和其他个人数据隐私法律和法规(例如，1996年美国健康保险流通和责任法案以及欧盟通用数据保护条例)以及与医疗设备的营销相关的法律(例如，美国联邦食品和药品法案和欧盟医疗器械法规)。在公开号为2018/0078146、发明名称为“Methodand System for Visualization of Heart Tissue at Risk”的美国专利申请中提供了示例医疗保健提供者门户的进一步描述，其通过引用整体并入于此。尽管在某些实施例中，医疗保健提供者门户被配置为向医疗保健专业人员呈现患者医疗信息，但在其他实施例中，医疗保健提供者门户可以被患者、研究人员、学者和/或其他门户用户访问。

在一些实施例中，解剖映射报告包括受影响心肌层的心脏区域的可旋转的(且可选地可缩放的)三维解剖图的一个或多个描绘。在一些实施例中，解剖映射报告被配置为显示具有识别的心肌层区域的模型的一组一个或多个三维视图和/或一组二维视图并在它们之间切换。在一些实施例中，冠状动脉树报告包括主要冠状动脉的一个或多个二维视图。在一些实施例中，17-节段报告包括心肌的相应区域的一个或多个二维17-节段视图。在每个报告中，指示心肌中某个位置存在心脏病或病症的值以及指示存在心脏病的标签可以渲染为指示预测的阻塞区域的静态和动态可视化元素(例如，通过受影响心肌层区域的颜色突出显示和通过将受影响冠状动脉区域突出显示的动画序列)。在一些实施例中，每个报告包括指示心脏疾病的存在或不存在(例如，显著冠状动脉疾病的存在)的文本标签以及指示给定的冠状动脉疾病中心脏疾病的存在(即，位置)的文本标签。

在一些实施例中，在心血管系统的背景下，医疗保健提供者门户(和相应的用户接口)被配置为呈现识别处于危险的心肌层和/或被阻塞的冠状动脉的心肌层组织的概要信息可视化。用户接口可以是具有有输入能力的触摸或预触摸敏感屏幕的图形用户接口(“GUI”)。例如，用户接口可用于指导患者的诊断和治疗和/或评估研究中的患者。对于给定的研究报告，可视化可包括以下多个描绘：受影响心肌层的心脏区域的可旋转三维解剖图、主要冠状动脉的相应二维视图和主要冠状动脉的相应二维17-节段视图，以促进对心肌层结构特征的解释和评估，用以表征心脏和心血管功能的异常。

在图2所示的实施例中，如在一些实施例中进一步描述的，评估系统200的执行在其开始时通过信号对于后续评估要具有足够质量的要求而被选通。在系统200的其他实施例中，该信号质量要求可以是可选的(例如，由系统200和/或用户选择性地激活)或根本不存在。

在系统200中，可以接收相位信号记录器(PSR)信号205以及指示受试者210(例如，患者)的性别和/或年龄的数据作为输入。在一个实施例中，PSR信号205(及其对应的数据集)是未修改的信号，该信号是宽带相位梯度生物物理信号的例子。在特定实现中，来自被称为“ORTH1”、“ORTH2”和“ORTH3”的三个通道的数据(与信号205相关)在从存储区域网络(例如，称为“相位信号数据存储库”(PSDR))下载的PSR文件中解析出。如图1A和图1B示意性所示，一组六个探针或电极(例如，探针114a-114f)位于受试者106上。这些电极114可以例如沿着受试者的身体的三个正交轴布置。在一个实现中，来自通道“ORTH1”的数据对应于由相空间记录器从电极114记录的双极采集通道数据系列，这些电极114沿着或靠近受试者的这些正交轴中从受试者的左侧到右侧穿过受试者的身体的其中一个正交轴放置。来自通道“ORTH2”的数据对应于由相空间记录器从两个其他电极114记录的第二双极采集通道数据系列，这两个其他电极114沿着或靠近这些正交轴中从受试者的上侧到下侧穿过受试者的身体的第二个正交轴放置。并且来自通道“ORTH3”的数据对应于由相空间记录器从两个另外的电极114记录的第三双极采集通道数据系列，这两个另外的电极114沿着或靠近这些正交轴中从受试者的前方到后方穿过受试者的身体的第三个正交轴放置。ORTH1、ORTH2和ORTH3的信号及其相应的数据集可以排列在例如相空间坐标中、在相互正交的轴中。注意，在一些实施例中参考ORTH1、ORTH2和ORTH3信号(例如，作为宽带相位梯度生物物理信号的例子)以更清楚地区别于心电向量图设备。

在一些实施例中将参考图3-21进一步描述评估信号质量系统模块300，其包括在图1的测量系统102中以例如执行操作130。评估信号质量系统模块300评估输入信号383(例如PSR信号205)以确定后续处理是否可以进行，或者信号是否是不可接受的(例如，噪声太大)并且是否在后续处理可以进行之前采集另一输入信号。因此，在所示实施例中，评估信号质量系统模块300的输出是对是否继续进行进一步分析的评估(例如，由如图2中所见的中间处理组件220-240执行)和对适于进行分析的信号的时间窗口的确定。如果评估表明：例如，所采集的PSR信号205如此合适(即，可接受)，则提供PSR信号、其对应的数据集和确定的时间窗口以供中间处理组件进行后续处理；否则，评估信号质量系统模块300(例如，向用户)指示所采集的PSR信号(例如，信号205)不合适(即，不可接受)并且必须采集另一PSR信号以进行后续处理。如上所述，在其他实施例中，由模块300呈现的不可接受的信号质量指示可以被系统200和/或用户推翻(overridden)，并且输入信号383的一些或全部可以在后续处理中使用。此外，无论输入信号383的全部或部分是否与评估信号质量系统模块300结合使用，该信号383可任选地全部或部分地存储到存储器中以供分析和/或未来使用。

图2实施例中的中间处理组件包括生成CNN(卷积神经网络)预测模块220、生成视觉预测模块225、生成元数据预测模块230、组合预测模块235和CVMGD(周期变异性介导的性别相关)补偿模块240。如在其他实施例中考虑地，所有这些中间处理组件或模块中的一些可以在系统200的其他配置中可以存在或不存在。

生成CNN预测模块220从评估信号质量系统模块300接收未修改的PSR信号205(从PSDR下载的PSR文件中解析出的来自ORTH1和ORTH3的通道数据)和适合分析的信号的时间窗口作为输入。在一个例示化的实现中，生成CNN预测模块220的输出是使用例如两个单独的CNN模型(例如CNNModel₁₂₉和CNNModel₈₅)的加权和的总体CAD评估。系统200的其他实施例考虑使用一个CNN或两个以上CNN。

生成视觉预测模块225从评估信号质量系统模块300接收未修改的PSR信号205(从PSDR下载的PSR文件中解析出的来自ORTH1、ORTH2和ORTH3的信道数据)作为输入，并通过提取视觉特征并在这些视觉特征上应用线性公式从而输出总体CAD评估(以下称为“视觉特征评估”)。

生成元数据预测模块230从评估信号质量系统模块300接收未修改的PSR信号205作为输入。模块230还接收与受试者的性别(即，生理性别)和/或年龄相关或指示受试者的性别和/或年龄的数据210作为输入。模块230通过使用考虑性别和/或年龄数据的线性公式输出受试者的总体CAD评估(在以下例示等式中称为“metadata(元数据)”)。

在图2的实施例中，组合预测模块235接收来自生成CNN预测模块220的总体CAD评估、来自生成视觉预测模块225的总体CAD评估和来自生成元数据预测模块230的总体CAD评估作为输入。

来自组合预测模块235的输出包括中间连续(非二进制)总体CAD评估(在以下例示等式中称为“中间CAD评估”)。下面提供了如何操作组合预测模块235的细节。

Z-score归一化是一种统计技术，其使分布以零为中心，并将该分布缩放以使得该分布的标准偏差为1，该处理的输出被称为“z-score”。如在一些实施例中使用的，z-score归一化用于确保评估(例如，来自220、225、230)是可比较的(例如，每个具有相同的平均值和标准偏差)，使得它们不仅可以与平均操作组合，而且当所有评估被组合时，一个或多个评估不会以不希望的方式(例如，支配)影响另一个或其他评估，从而使得每个评估都被均匀加权和/或分布。在其他实施例中，z-score归一化可以被修改、不同地使用或与附加处理结合使用、根本不使用、或被一种或多种其他技术整体替换以根据需要给出例如一个或多个评估的优选权重和/或分布。

在一个实现中，来自组件220的“组合CNN评估(Combined CNN Assessment)”(在该示例中已经作为两个单独的CNN模型(CNNModel₁₂₉和CNNModel₈₅)的加权和)与组件/模块230总体CAD(元数据)评估的输出以权重1到3(CNN到元数据(metadata))相加，如等式1所示。然后通过去除预先计算的表示为N＝411Stage I PSR测试集的平均值的常数(“N＝411_CNN_Mean”)来归一化所得的Combined CNN Assessment(等式1)，并且这个归一化值除以代表同一集合的标准偏差的第二预先计算的常数(“N＝411_CNN_SD”)；执行这两个操作的结果是Combined CNN Assessment的z-score，如等式2所示。

Combined CNN Assessment＝(CNNModel₁₂₉×1)+(CNNModel₈₅×2)]+(metadata×3) (等式1)

在这个实现中由生成视觉预测模块225输出的CAD评估与由生成元数据预测组件230输出的CAD评估合并，使得这些输出的平均值用于女性(等式3)，但仅元数据预测模块230的输出用于男性(等式4)。然后合并女性和男性的“视觉特征评估(Visual FeatureAssessment)”值，例如，通过一组合并运算符U(根据等式5)提供一个新的集合，该集合包括第一女性集合和第二男性集合的成员。然后，通过去除代表N＝411 Stage I PSR测试集的平均视觉特征评估的预先计算的常数(“N＝411_VF_Mean”)，将这些合并的值归一化。然后将得到的归一化值除以代表该同一集合的标准偏差的第二个预先计算的常数(“N＝411_VF_SD”)。执行这两个操作的结果是如等式6所示的z-score。

Visual Feature Assessment_Male＝metadata (等式4)

Visual Feature Assessment_{Female∪Male}＝Visual Feature Assessment_female∪Visual Feature Assessment_male (等式5)

继续实施例的例示实现，然后对来自CNN评估(即，根据等式2的z-score)和视觉特征评估(即，根据等式6的z-score)的输出进行平均以创建“中间CAD评估(IntermediateCAD Assessment)”值作为组合预测组件235的最终输出，如等式7所示。换言之，模块235对每个患者将这些z-score的输出求和，然后将该总和除以2：

继续实施例的这种实现，CVMGD补偿模块240接收受试者的性别和/或年龄数据210以及来自组合预测模块235的中间CAD评估输出作为输入，并且输出可称为“最终连续CAD评估(final continuous CAD assessment)”的最终连续(非二进制)CAD评估值。组件240利用周期变异性分数的概念并计算对于ORTH1和ORTH3(以及在一些实施例中，ORTH2)的最大变异性分数。该周期变异性分数捕获关于心动周期之间变化的信息，并且在该分数的给定范围内捕获电生理变异性，该电生理变异性嵌入了CAD状态的信息内容，观察到该内容特别适用于男性受试者。模块240中实现的补偿操作利用男性受试者的该周期变异性信息来改进整个疾病评估(例如，如通过视觉特征评估和机器学习评估提供的)。实际上，CVMGD补偿模块240以如下潜在基础进行操作：在给定的周期变异性范围内，从组合预测组件235输出的男性受试者的阳性CAD评估更可能实际上是阴性的CAD评估，并且相反，组合预测组件235生成的男性受试者的阴性CAD评估更有可能是CAD阳性评估。

在一些实施例中，CVMGD补偿模块240被配置为确定(i)男性受试者的周期变异性得分(例如，由模块300计算的)是否在预定范围内(例如，在0.0071到0.0079之间)和(ii)模块235输出的给定男性受试者的中间CAD评估值大于或等于预定义的“阈值”(例如，存储在模块240中)加X。如果两个条件都满足(例如，对于具有特定周期变异性特征的男性受试者的阳性CAD评估)，CVMGD补偿模块240被配置为确定男性受试者的最终连续CAD评估值，将最终连续CAD评估分数输出为阈值减去量X(即，提供阴性CAD评估)，其中X被确定为阈值减去中间CAD评估分数与阈值之间的差。即，CVMGD补偿模块将通过等式7确定的中间CAD评估值调整为等于或等同于阈值减去X的量值。相反，CVMGD补偿模块240被配置为确定以下两者是否满足：(i)男性受试者的周期变异性分数(存储在模块300中)在相同的周期变异性分数的预定义范围内，并且(ii)中间CAD评估值比相同的预定义阈值小Y的量值。如果两个条件都满足(对于具有特定周期变异性特征的男性受试者的阴性CAD评估)，则CVMGD补偿模块240被配置为将最终连续CAD评估分数确定为阈值加上量Y(即，提供阳性CAD评估)，其中Y被确定为阈值加上阈值与中间CAD评估分数之间的差值。即，CVMGD模块将中间CAD评估值调整为等于或等同于阈值加Y的量值。如果受试者不满足上述任一情况，则该受试者的分数不会被模块240修改并且使得原值在不改变的情况下通过。如果改变，则此变化嵌入如下信息：如先前指定的，在给定的周期变异性范围内，对男性的阳性CAD评估(作为组合预测组件235的输出)更可能是阴性的，相反，对男性的阴性的CAD评估更有可能是阳性的。

在关于图2的实施例的模块240的例子中，考虑满足以下两个条件的男性受试者：(i)中间CAD评估分数为0.14460082598168、周期变异性分数(ORTH1和ORTH3的最大值)在预定(周期变异性)阈值0.0071和0.0079之内(大于0.0071但小于0.0079)，以及(ii)预定义(CAD评估)阈值为0.13460082598168：在这种情况下，CAD评估将通过模块240执行的补偿操作进行修改，使得受试者被分配0.124600825981680的中间CAD评估分数(例如，计算为0.13460082598168减去先前的中间CAD评估分数0.14460082598168与阈值0.13460082598168之间的差值)。因为所得的最终连续CAD评估分数现在比阈值0.13460082598168低该阈值和输入中间CAD评估分数之间的差值，所以中间CAD评估分数(以前高于阈值)现在调整为低于阈值。然后从模块240输出修改的分数。实际上，由组合预测组件235为男性受试者生成的阳性CAD评估现在作为阴性评估输出。

评估信号质量模块300和CVGMD补偿组件240的输出在由各种终端块或模块/组件执行的后续终端处理中被不同地使用，其在图2的系统200中包括最终CAD预测模块250、生成定位预测模块255和生成相空间体积数据集/图像模块260(示出为“生成PST”260)。

最终CAD预测模块250使用来自CVMGD补偿组件240的最终连续CAD评估并且提供最终二进制CAD评估作为输出。在一个实现中，如果最终连续CAD评估大于或等于阈值0.13460082598168，则该受试者被预测为CAD阳性；否则，受试者被预测为CAD阴性。阈值的精度(例如，0.13460082598168)有14位有效数字，因为在此示例中生成的阈值对应于属于特定受试者的分数，并可用于在分析和发展过程中识别阈值的来源。在其他实施例中这种阈值的值可以使用具有各种其他精确度。

生成定位预测模块255使用来自最终CAD预测模块250的最终二进制CAD评估输出和受试者的冠状动脉(例如，LCX、LAD、RCA)的二进制定位评估作为输入，并输出CAD定位评估。

在一些实施例中，生成PST模块260(经由评估信号质量系统300)使用未修改的PSR信号205并输出PST数据集/图像。在其他实施例中，生成PST模块260使用由评估系统110中的其他模块预处理的PSR信号。

图3是根据示例性实施例的例示信号质量评估系统300的图，并且图4是根据另一示例性实施例的评估信号质量的方法400的实现的操作流程图。信号质量评估系统300的组件组合以创建允许后续分析的用于评估信号质量的有效方法。该信号质量评估方法400可以用于后续分析的选通阶段。

系统300包括信号质量评估器305和测量系统380。信号质量评估器305和测量系统380可以被包括在相同的计算设备内或者与如同在本公开通篇描述的系统的所有组件一样可以包括在彼此通信(例如彼此直接连接或耦合，或通过有线、光学或无线网络彼此通信连接或耦合)的独立的计算设备中。该网络可以是由多种网络类型中的一种或多种组成，包括公共交换电话网(PSTN)、蜂窝/移动电话网、局域网(例如有线或无线以太网(LAN))、包括近场通信(NFC)或其他基于射频的技术和标准(例如蓝牙、低功耗蓝牙等)的网络、分组交换网络(例如互联网)等。虽然在图3中只示出了一个测量系统380，但是可以支持的测量系统380的数量不受限制。信号质量评估器305和测量系统380与本公开通篇描述的系统的所有组件一样，每个都可以使用一个或多个处理器与诸如智能手机、智能手表、台式计算机、服务器计算机、大型计算机、膝上型计算机、平板计算机和机顶盒(包括其任何组合)的任何种类的计算设备结合来实现。可以支持其他类型的计算设备。合适的计算设备在图22中被示为计算设备2200。

测量系统380可以是任何测量系统，例如测量系统102，并且信号质量评估器305可以单独实现或在测量系统102内实现。

任何电信号的质量，包括生物物理信号的质量、例如本文所述的PSR信号(例如，在约8kHz处采集的信号)的质量，都可能受到噪声的影响，噪声可能源自多种来源。这种噪声会以多种方式影响采集的信号的质量。例如，噪声会对后续分析的表现产生负面影响，例如本文所述的与受试者或患者的临床适应症或疾病状态有关的分析。后续分析的负面表现的影响可以通过多种方式表现出来。当远程执行处理时(例如，在云服务中)，对信号的实时或接近实时的拒绝有助于患者的重新采集或重新测量，减少患者必须返回例如医生办公室、医院或其他临床环境以重新采集信号的不便和成本。此外，如果后续分析涉及生成数据集/或图像(例如，相空间数据集/图像)以供医生解释说明，则该图像可能无法正确表示受试者的生理状态，并因此导致误解，可能导致延误诊断和/或治疗或不正确的诊断和/或治疗。如果后续分析涉及对受试者给定疾病状态的明确定量评估，则负面表现可能涉及对疾病状态的不正确量化，这可能导致延迟治疗或错误地拒绝治疗，或不必要地使用额外的测试或干预措施，这可能会给患者引入伤害的可能性。此外，与分析类型无关，噪声可能会延长处理时间和/或成本(在计算资源中)以产生输出。因此，识别和量化噪声可能是有用的，以便可以全部或部分地(或甚至在某些情况下连同与其关联的信号一起)排除、最小化或以其他方式处理噪声，从而消除或最小化此类负面影响。与本公开有关的噪声的示例包括例如电力线干扰、高频噪声、高频噪声突发、(突然)基线移动和周期变异性。出于本公开的目的，在此公开的信号中的任何不想要的干扰(无论其来源如何)可以被认为是“噪声”。

正如在图3和图4中所示的例示方法中所见，在采集信号步骤410，测量系统380采集输入信号383(例如PSR信号205)，并将其提供给信号质量评估器305。输入信号383可以是采集的受试者的生物物理信号或生物物理信号数据集。对于心脏信号，手持设备或其他设备可用于例如从单个探针/传感器或一组任意数量的探针/传感器或电极(例如，六个探针114a-114f)收集受试者的静息胸腔生理信号，在例如六个探针的情况下，其沿着对应于如上所述的ORTH1、ORTH2和ORTH3通道的三个正交轴布置。作为非侵入性测量系统102的一部分的电极可以在不使用电离辐射、造影剂、运动应激源或药理学应激源的情况下采集相位梯度生物物理信号(如上所述导出集合108)；然而，在一些实施例中，感兴趣的生物物理信号仍然可以与这样的协议或器材结合使用。在一些实施例中，非侵入性测量系统102以约8kHz采样持续约30秒至约1400秒之间的持续时间，优选约210秒。所采集的数据点作为数据集108的一部分被传送到评估系统110并且例如通过其中的分析引擎使用机器学习的算法/预测器进行评价。其他电极组和电图(electrographic)采集方法可以应用本文公开的方法和系统的场景。

如本文进一步描述的，在步骤420，信号质量评估器305使用电力线干扰模块320、高频噪声模块330、高频噪声突发模块340、突然移动模块350和周期变异性噪声模块360中的一个或多个，其中任何一个或全部与决策模块310结合，以执行质量评估并生成输出(例如输出386)。信号质量评估器305，和/或电力线干扰模块320、高频噪声模块330、高频噪声突发模块340、突然移动模块350、周期变异性噪声模块360和/或决策模块310中的一个或多个可以驻留在或放置在容纳或者包括测量系统102或评估信号质量系统300的设备或装置上或内部，或者本地、远程地放置(例如，驻留在和/或运行在“云”中的服务器/处理器、软件和服务，并且经由诸如互联网等网络与本地服务器/处理器通信)，或放置在混合系统/布置中(其中一些质量评估评价在设备上执行而一些质量评估评价在远程执行)。合适的设备或装置的示例在图22中被图示为计算设备2200。

在步骤430，输出386被提供给测量系统380和用户。在一个实现中，输出386包括用于接受或拒绝所采集的信号用于后续处理和分析(例如，由关于图2描述的中间处理组件和终止处理组件执行)的指示符。

在一个实现中，输入信号383是未修改的PSR信号(从PSDR(相位信号数据存储库)下载的PSR文件中解析出的来自ORTH1、ORTH2和ORTH3的通道数据)。如上所述，来自通道“ORTH1”的数据对应于由相空间记录器从电极114记录的双极采集通道数据系列，这些电极114沿着或靠近受试者的这些正交轴中从受试者的左侧到右侧穿过受试者的身体的其中一个正交轴放置。来自通道“ORTH2”的数据对应于由相空间记录器从两个其他电极114记录的第二双极采集通道数据系列，这些电极114沿着或靠近这些正交轴中从受试者的上侧到下侧穿过受试者的身体的第二个正交轴放置。并且来自通道“ORTH3”的数据对应于由相空间记录器从又两个电极114记录的第三双极采集通道数据系列，这些电极114沿着或靠近这些正交轴中从受试者的前方向到后方向穿过受试者的身体的第三个正交轴放置。ORTH1、ORTH2和ORTH3的信号及其相应的数据集可以排列在例如相空间坐标中，在相互正交的轴中。

在一个实现中，输出386包括对是否进行进一步分析的评估以及适合分析的信号的时间窗，其最终用于确定患者是否被认为是CAD阳性。

如参照图3和图5-7进一步描述地，电力线干扰模块320检测或者确定电力线干扰噪声(例如，由60Hz电力线引入的噪声(该频率在诸如加拿大、韩国、美国、日本的一些地区和中国台湾等国家和地区普遍使用)及其谐波；由50Hz电力线引入的噪声(该频率在诸如中国、法国、德国、印度、意大利、瑞士、英国和日本一些地区的区域普遍使用)及其谐波。将确定的电力线干扰噪声提供给决策模块310进行处理，例如，如本文进一步描述地。

如参照图3和图8-10进一步描述地，高频噪声模块330检测或者确定过多(excessive)的信号频率内容(例如，在一个实现中高于170Hz，其中高于170Hz的频率内容不一定是周期性的，并且可以包括脉冲和其他此类伪影)。高频噪声模块330的输出提供给决策模块310进行处理，例如，如本文进一步描述的。

如参照图3和图11-13进一步描述地，高频噪声突发模块340检测或者确定上述过多高频内容的短突发。高频噪声突发模块340的输出被提供给决策模块310用于处理，例如，如本文进一步描述地。

如参照图3和图14-16进一步描述地，突然移动模块350检测或确定位于信号的特定段中的极端基线漂移，其中漂移足够显著以产生信号失真。突然移动模块350的输出被提供给决策模块310用于处理，例如，如本文进一步描述的。

如参照图3和图17-19进一步描述地，周期变异性噪声模块360提供与心动周期异步的噪声的量化，其可以包括由骨骼肌激活产生的电压电势。周期变异性噪声模块360的输出被提供给决策模块310进行处理，例如，如本文进一步描述的。在此描述的概念可以应用于量化与心脏环境之外的其他周期生理信号异步的噪声。

在一个实现中，这里描述的评估是在通道级别执行的，例如，在ORTH1、ORTH2、ORTH3通道上独立评价，并在后期处理阶段合并。

图5是根据另一示例性实施例的评估电力线干扰的方法500的实现的操作流程图。在一个实施例中，电力线系数可以是电力线噪声污染的指示符，较高的值指示较高的污染。

在步骤510，通过使用快速傅立叶变换(FFT)从时域切换到频域来计算电力线系数。在步骤520，例如在60Hz处量化FFT周期图中的偏转或峰值的存在。在一些实施例中，该方法包括通过55Hz到58Hz之间以及62Hz到65Hz之间的平均分贝值确定基本本地频率能量(例如，base＝abs(mean(power(55≤freq≤58or 62≤freq≤65)))，以提供基线功率，通过该基线功率检测在该范围(例如，在58Hz-62Hz之间)的中间是否出现峰值。然后该方法通过58Hz和62Hz之间的最大分贝值确定最大电力线能量(例如，peakHeight＝base-abs(mean(power(58≤freq≤62))，以量化58Hz和62Hz之间的峰值。然后该方法确定base以上的峰值高度与该base的比率(例如，)。实际上，所确定的比率量化了FFT周期图中60Hz处的偏转(或峰值)的存在。

在步骤530，通过包括在180Hz和300Hz处的(来自60Hz)谐波的较低加权加法，电力线系数被进一步扩展，其使用与上文关于60Hz的电力线系数描述的相同的方法计算。可以预期的是，根据具体的实现，可以使用其他频率和谐波。该评估的输出是每个ORTH1、ORTH2和ORTH3通道的电力线系数，其基本名称为“powerlineCoeff”(仅修改以指示数据通道)。在步骤540，输出(即，电力线系数)被确定为与阈值相比较的分数以确定是否基于电力线干扰拒绝输入信号。在一些实施例中，电力线系数分数被确定为在一种实现中，如果电力线系数大于阈值486.6，则基于电力线干扰拒绝该信号。在某些实现中，量化该分数时可能会考虑地理因素；例如，关于正在使用的设备。例如，对于使用50Hz的区域，可以修改分数的计算以量化50Hz电力线噪声。

请注意，此处使用图(图表)(例如，图6、7、9、10、12、13、15、16、18、19)来帮助描述不同类型的噪声并共享常见类型的标签；沿底部轴的是时间(以样本为单位的时间点)，它反映了在8kHz信号中的数据点的数量(每秒采集8000个样本)，沿垂直轴的是幅值。这些图中的幅值以mV表示；然而，在一些实现中，可以使用归一化幅值，其需要去除信号的平均值并除以标准偏差(因此，将信号转换为z-score；例如，数据点离其平均值的标准偏差的数，符号表示方向)。

例如，图6是图示根据另一示例性实施例的例如图5的电力线干扰评估操作的心脏环境中的最大电力线干扰的可观察特性的图600。图6示出了通道级的最大电力线系数。电力线干扰在心室去极化信号之间清晰可见，其在-9.15mV到-9.45mV的幅度范围内周期性振荡。

图7是图示根据示例性实施例的例如图5的电力线干扰评估操作的方法在阈值处电力线干扰的可观察特性的图700。图7示出了勉强可以接受的电力线系数，例如，第一个系数将被接受，任何更高的系数都将被拒绝。也就是说，在该数据中发现60Hz的电力线系数是可接受的，但发现180Hz和300Hz的电力线系数是不可接受的。

图8是根据示例性实施例的评估高频噪声的例示方法800的实现的操作流程图。高频噪声分数是通过首先在810处执行平稳小波变换(SWT)来计算的。注意，除了其允许以频率细节为代价实时进行频率定位之外，SWT在功能上类似于快速傅立叶变换。在步骤820，保留对应于大于170Hz的内容的第9至第13级的能量，然后在步骤830执行逆SWT。这些转换的结果是回到时域的高频内容(如果绘制了中间输出，它是可见的)。

在步骤840，通过将原始信号与在时域中用SWT提取的噪声进行比较，计算信噪比(SNR)，作为高频噪声分数。此评估的输出具有基本名称“hfNoiseToSignalRatio”，仅对其进行修改以指示源通道。

在步骤850，将输出(即，高频噪声分数)与阈值进行比较以确定是否基于高频噪声拒绝所述输入信号。在一个实现中，如果高频噪声分数大于0.05273，则基于高频噪声拒绝该信号。

图9是图示根据示例性实施例的例如图8的高频噪声评估操作的心脏背景下最大高频噪声的可观察特性的图900。这里，高频噪声是可见的，例如图9中指示的被框902部分包围的粗黑线。图9中的该噪声从大约3mV到大约4mV的幅度范围开始，并随着时间的推移呈下降趋势，基线缓慢漂移至约-2mV至约-4mV。

图10是根据心脏背景的示例性实施例的、图8的高频噪声评估操作的阈值处高频噪声的图1000。这里，信号是刚刚可以接受的。x轴时间尺度小于图9的x轴时间尺度，相位波形清晰可辨(例如QRS波形、T波形等)。在此特定示例中，高频噪声作为心室复极偏移与心房去极事件之间的脉冲是可见的。噪声沿整个基线最为突出——在心室复极之后(例如，“T波”)、但在心房去极化(“P波”)之前，如框1010所示。这种噪声出现在每个周期。

图11是评估高频噪声突发的方法1100的示例性实现的操作流程图。由方法1100产生的分数量化了与关于图8所描述的相同的高频噪声，但改为定位到一秒区段。该分数的值连同突然或极端基线漂移(本文进一步描述的)本身不能从随后的分析中排除信号；但是，如果信号长度不足(例如，至少连续16秒，并且所有通道的周期相同)、且没有高频噪声突发或突然的基线移动，则会发生这种情况。

与该示例性方法1100相关的该分数的计算类似于本文其他地方描述的总体高频分数的计算。例如，在步骤1110、1120和1130使用与关于图8描述的相同或相似的方法(分别为类似的步骤810、820和830)从信号中提取高频分量。

在步骤1140，图示的例示过程使用结合步骤1130获得的这个高频时间序列数据来测试一秒窗口并将结果与在全信号中计算的总中值高频能量进行比较。在步骤1150，在一个实现中，如果在给定的一秒窗口或一组一秒窗口中获得的能量大于总中值的两倍，则将该段标记为包含高频噪声。在一个实现中，可以标记任何单个一秒窗口。对于要标记的一组一秒窗口，所有这些都必须满足与一秒窗口相同的标准，即总中值能量的两倍。因此，一组窗口的标准与单个窗口的标准相同。

在一个实现中，来自该评估的输出是被修改以指示源数据通道的两个分数。例如，可以输出标记为“medianHfSignalEnergy”(指示总中值高频能量)和“hfNBCoefficient”(指示大于medianHfSignalEnergy的四倍的任何窗口的1秒能量)的分数。如果有多个这样的窗口，则返回最大值。

图12是图示根据示例性实施例的例如图11的高频噪声突发评估操作的最大高频噪声突发1210的可观察特性的图1200。在这种情况下，高频噪声突发1210被表征为持续几个数据点的脉冲(例如，小于1毫秒)。与其他图中(图6、7、9、10、13、15、16、18、19)一样，x轴单位为样本，y轴单位为mV(未归一化)。

图13是图示根据示例性实施例的例如图11的高频噪声突发评估操作的高频噪声突发图1300的另一可观察特性的图。这是比图12中所描绘的更典型的高频噪声突发的特性，其中在指示的时间帧内观察到在1310处指示的几个高频突发。

图14是根据心脏背景的示例性实施例的评估突然基线移动的方法1400的实现的操作流程图。在本示例中，如果信号的一秒窗口中的基线变化(相对于前一个窗口中的基线)超过通道的心室去极化幅值的25％，则基线中的移动被定义为“突然”。在这种背景下，“突然”的其他定义可以根据所采集和分析的生物物理信号的类型、患者的生理状况和其他因素适当地确定。

在步骤1410，确定输入信号的一秒窗口中的基线。在步骤1420，确定信号的下一秒窗口中的基线。在步骤1430，基于两个窗口之间基线的移动来确定分数。

在一个实现中，如果窗口内的移动小于25％，则为其分配分数零。如果在一秒窗口中有多次大于25％的移动，那么将这些移动的最大值分配给该窗口。此评估的输出具有基本名称“maxAbruptMovementPercentage”，该名称仅被修改以反映源数据通道。

图15是根据心脏背景的示例性实施例的例示图1500，其图示出了受试者的最大突然移动的可观察特性，例如图14的突然基线移动评估操作的可观察特性。这里，相位信号最初稳定在100mV的幅值，但随后该基线值首先下降约20mV，然后大幅下降至30mV左右。在这些突然的基线变化期间，相位信号要么严重减弱，要么不存在。

图16是根据心脏背景的示例性实施例的例示图1600，其图示例如图14的突然基线移动评估操作的大约50％的突然移动的可观察特性。这是一个更典型的突然基线移动的例子，这里示出为1610，它描绘了信号幅度的向上移动，紧接着相等的向下移动，其中信号幅度移动导致在移动顶部处的心室去极化事件具有比该1秒窗口之前的心室去极化事件高大约50％的幅值。

图17是根据心脏环境中的示例性实施例的评估周期变异性的方法1700的实现的操作流程图。相位周期变异性(在心脏系统以及其他生理系统或其组合中)的检查揭示了异步噪声，这可以量化肌肉噪声伪影以及与相位周期不一致的其他类型的噪声存在。

可以使用图17的例示化技术计算周期变异性噪声，该技术检测在相位信号的频率范围的带内并且具有相似幅值的内容。

在步骤1710，通过标记每个心室去极化事件(例如，当心室的电激活最大时的每个相位周期期间的时间点)来检测所选通道中的所有相位周期。

在步骤1720，创建模板相位周期，其代表所有检测到的相位周期。在步骤1730，将每个检测到的相位周期与模板进行比较并且将差异量化。

在步骤1740，该技术对检测到的相位周期的所有所得差异进行压缩，以创建通道的最终周期变异性分数。

在一种实现中，为通道ORTHl和ORTH3中的每一个计算最终周期变异性分数，并且这两个分数中较大的一个用于生成信号的总分数。在此示例中，ORTH2被排除在此计算之外，因为发现与ORTH1和ORTH3相比，它具有最高的最终周期变异性分数——超过三分之二的时间——远高于三分之一的时间(如果三个通道中的每一个的最终周期变异性具有相同的最高可能性，则在统计上是预期的)。因此，与其他两个通道的贡献相比，包含从ORTH2通道获得的信号的最终周期变异性分数将不成比例地影响或推动总分数的值。然而，在替代实现中，可以根据所有三个通道(ORTH1、ORTH2和ORTH3)计算最大值。该替代最大值预计会高于基于ORTH1和ORTH3获得的值；然而，这种技术对信号质量实施了更严格的标准，这在某些情况下可能很有用。

在心脏背景下的人类受试者中，与其他通道相比，ORTH2向量通常从受试者的左锁骨正下方直接跨越到胸腔末端正下方，可能导致信号采集的两个问题，即不希望受到理论约束的情况下，导致其最终周期变异性分数相关联的较高，从而导致相关噪声水平较高。首先，位于胸腔正下方的ORTH2向量的终止将其置于胃部，与一般人群相比，接受CAD评价的受试者可能倾向于具有更高的体重指数(BMI)(BMI是CAD的危险因素)。较高的BMI通常表明存在过多的腹部脂肪，这会改变用于信号采集的两个电极之间的阻抗。其次，ORTH2向量垂直于左侧胸肌的条纹，这可能会增加与胸肌相关的噪声渗透和/或以其他方式影响信号的能力。肌肉噪音来自收缩；然而，收缩并不一定意味着移动。例如，等长收缩是肌肉的静态收缩，而关节角度没有任何可见的移动。

图18是图示根据心脏环境下示例性实施例的例如图17的周期变异性评估操作的最高周期变异性噪声的可观察特性的图1800。在心室复极事件偏移之后并在心房去极事件之前的时间段内，噪声在相位周期之间最明显，其呈现类似于无直接关系的(extraneous)相位波形(例如额外的心室复极事件)。这种噪声的例子由框1810指示。注意，噪声出现在每个周期中，并且在受试者的心跳之间最为明显(例如，QRS波形显示为“尖峰”)。

图19是图示根据心脏环境下示例性实施例的例如图17的周期变异性评估操作的较低周期变异性噪声的可观察特性的图1900。与例如图18的噪声特征相比，该图显示了较低水平的噪声污染。此处还可以看到其他差异，例如噪声具有相对较低的频率和相对较高的幅值范围，后者导致在图19的示例中更像脉冲的特征。

图20是根据示例性实施例的评估信号质量的方法2000的实现的操作流程图。特别是，在关于图20描述的信号可用性工作流程中评估分数。

在步骤2005，接收输入信号(例如，PSR信号205)。

在步骤2010，执行电力线干扰测试以确定输入信号的电力线系数是否大于阈值。如果大于阈值，则在步骤2060拒绝输入信号。否则，输入信号被认为通过了该测试，并且在该示例中，将指示通过测试#1的二进制数提供给布尔“与”运算符。

在步骤2015，执行另一个高频噪声测试(测试#2)以确定高频信噪比是否大于阈值。如果大于阈值，则在步骤2060拒绝输入信号。否则，输入信号被认为通过了该测试#2，并且在该示例中，将指示通过测试#2的二进制数提供给布尔“与”运算符。

在步骤2020、2025和2030，执行突然移动测试(统称为“测试#3”)以确定干净的信号段是否由于突然移动和高频噪声突发而不可用。如果对于步骤2020、2025和2030中每个步骤的测试#3的任何一个或多个组件测试表明这样的干净信号段不可用，则在步骤2060拒绝输入信号。否则，认为输入信号通过了步骤2020、2025和2030的每个测试，使得输入信号是测试#3，并且将指示所通过的测试的二进制数提供给布尔“与”运算符。

在步骤2030，对输入信号执行周期变异性测试(测试#4)以确定是否存在大于阈值的周期变异性噪声(例如，在ORTH1或ORTH3上)。如果是，则在步骤2060拒绝输入信号。否则，输入信号被认为通过了该测试#4，并且指示通过测试#4的二进制数被提供给布尔“与”运算符。

在测试完成并且上述二进制数已经被提供给布尔“与”运算符之后，该运算符在步骤2040处基于这些输入执行布尔运算，并且如果所有输入的二进制数指示通过了测试，则在步骤2070接受输入信号。该逻辑规定：为了使信号通过并被接受，所有测试必须通过(步骤2070)。如果任何测试失败，则拒绝该信号(步骤2060)。

因此，对于任何给定的信号：(1)如果在步骤2010，患者或受试者的任何通道未通过电力线干扰度量测试#1，则拒绝患者的输入信号；(2)如果受试者的任何通道未通过高频噪声度量，则拒绝受试者的输入信号；(3)如果患者的ORTH1、ORTH2和/或ORTH3通道未通过周期变异性阈值，则拒绝患者的输入信号；(4)如果在患者的输入信号中检测到突然移动或高频噪声突发，则尝试找到至少一个这样的16秒信号段：其中未检测到突然移动或噪声突发并且该段对于所有通道都是相同的(例如，在该段期间所有通道都是干净的)，如果没有找到这样的窗口，则拒绝患者的输入信号，否则(即，如果找到这样的窗口)，则使用找到的窗口处理患者的输入信号；(5)如果患者输入信号的所有通道均通过所有度量，则受试者的输入信号被正常处理。这在图20中表示为“布尔与”运算符2040(即，所有测试都必须通过)。

表1中提供了用于实现的测试和阈值的例示表。

在北美，对于电力线频率的检测(例如通常使用60Hz；而其他地区，如中国、欧盟、印度等，通常使用50Hz而不是60Hz)，所以可能需要修改得分以针对特定频率。

图21A和图21B示出了根据示例性实施例的例示信号质量评估组件的架构和数据流程图2100。

请注意，例示的示例中任何测试的失败并不能阻止评估系统200的后续执行；相反，可以通过以下机制报告故障，并尝试进行PST评估。

输入可以包含从相空间记录器文件中解析出来的未修改的ORTH1、ORTH2、ORTH3数据。

输出可被传递到数据传输API(DTAPI)和报告数据库(RD)。在一个实现中，重用遗留字段“noiseVolume”和“noiseLevelMean”，以在DTAPI和RD组件中保持向后兼容性。在某些实施例中，如果所有其他信号质量评估测试都通过，则报告数据库被配置为存储noiseVolume参数作为周期变异性分数。如果(除了周期变异性之外的)任何测试失败，则使用10000的标志来表示该状态。在实现中，周期变异性的阈值可以为0.0106。

例如，在一些实施例中，noiseLevelMean存储一个状态代码，其可能的状态如表2所示。

表2

图22示出了根据示例性实施例的例示化计算环境，在该环境中，可以实现示例实施例和各个方面，例如，评估系统110、信号质量评估器305。计算设备环境只是一个合适的计算环境的例子，并不意在表明对使用范围或功能进行任何限制。

可以使用许多其他通用或专用计算设备环境或配置。可能适合使用的众所周知的计算设备、环境和/或配置示例包括但不限于：个人计算机、服务器计算机、手持或膝上型设备、多处理器系统、基于微处理器的系统、网络个人计算机(PC)、小型机、主机计算机、嵌入式系统、包括任意上述系统或设备的分布式计算环境。

可以使用由计算机执行的计算机可执行指令，例如程序模块。一般来说，程序模块包括例程、程序、对象、组件、数据结构等，它们执行特定的任务或实现特定的抽象数据类型。在任务由通过通信网络或其他数据传输介质连接起来的远程处理设备执行的情况下，可以使用分布式计算环境。在分布式计算环境中，程序模块和其他数据可能位于本地和远程计算机存储介质(包括内存存储设备)中。

参照图22，用于实现本文所描述的方面的例示系统包括计算设备，例如计算设备2200。在其最基本的配置中，计算设备2200通常包括至少一个处理单元2202和内存2204。根据计算设备的具体配置和类型，内存2204可能是易失性的(如随机存取存储器(RAM))，非易失性的(如只读存储器(ROM)，闪存等)，或两者的某种组合。这个最基本的配置如图22中通过虚线2206所示。

计算设备2200可以有额外的特征/功能。例如，计算设备2200可能包括额外的存储装置(可移动和/或不可移动)，包括但不限于磁盘或光盘或磁带。这种额外的存储装置在图22示出为可移动存储装置2208和不可移动存储装置2210。

计算设备2200通常包括各种计算机可读介质。计算机可读介质可以是设备2200可以访问的任何可用介质，包括易失性和非易失性介质、可移动和不可移动介质。

计算机存储介质包括以任何方法或技术实现的易失性和非易失性、以及可移动和不可移动的介质，用于存储信息，如计算机可读指令、数据结构、程序模块或其他数据。内存2204、可移动存储设备2208和不可移动存储设备2210都是计算机存储介质的例子。计算机存储介质包括但不限于：RAM、ROM、电可擦程序只读存储器(EEPROM)、闪存或其他存储技术、CD-ROM、数字通用磁盘(DVD)或其他光存储器、盒式磁带、磁带、磁盘存储器或其他磁性存储设备、或任何其他可以用来存储所需信息并可通过计算设备2200访问的介质。任何这样的计算机存储介质都可以是计算设备2200的一部分。

计算设备2200可能包含通信连接2212，其允许该设备与其他设备通信。计算设备2200也可以具有输入设备2214，如键盘、鼠标、笔、语音输入设备、触摸输入设备等(单独或组合的)。输出设备2216(如显示器、扬声器、打印机、振动机构等)也可以单独或组合地包括在内。所有这些设备都是本领域众所周知的，不需要在这里详细讨论。

应该理解的是，这里描述的各种技术可能与硬件组件或软件组件相关联，或者在适当的情况下，通过两者的组合来实现。可以使用的硬件组件的示例类型包括图形处理单元(GPU)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSPs)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。本公开的主题的方法和设备或其某些方面或部分可采取程序代码(即指令)的形式，具体体现在有形介质中(如软盘、CD-ROM、硬盘驱动器或任何其他机器可读存储介质)，其中，当程序代码被加载到机器(如计算机)中并由其执行时，该机器就成为实践本公开的主题的装置。

尽管例示的实现可能指在一个或多个独立的计算机系统的背景下使用本公开的主题，但是主题却不限于此，而是可以在任何计算环境、如网络或分布式计算环境下实现。此外，目前所公开的主题事项的各个方面可以在多个处理芯片或设备中或跨多个处理芯片或设备实现，存储装置也可以类似地跨多个设备实现。例如，这些设备可包括个人计算机、网络服务器、手持设备和可穿戴设备。

虽然主题已经用特定于结构特征和/或方法行为的语言进行了描述，但需要理解的是，所附权利要求书中定义的主题并不一定限于上述的特定特征或行为。相反，上面描述的具体特征和行为是作为实施权利要求的示例形式公开的。

可以与例示方法和系统一起使用的各种处理的其他例子在以下文献中进行了描述：专利号为9,289,150、发明名称为“Non-invasive Method and System forCharacterizing Cardiovascular Systems”的美国专利；专利号为9,655,536、发明名称为“Non-invasive Method and System for Characterizing Cardiovascular Systems”的美国专利；专利号为9,968,275、发明名称为“Non-invasive Method and System forCharacterizing Cardiovascular Systems”的美国专利；专利号为8,923,958、发明名称为“System and Method for Evaluating an Electrophysiological Signal”的美国专利；专利号为9,408,543、发明名称为“Non-invasive Method and System forCharacterizing Cardiovascular Systems and All-Cause Mortality and SuddenCardiac Death Risk”的美国专利；专利号为9,955,883、发明名称为“Non-invasiveMethod and System for Characterizing Cardiovascular Systems and All-CauseMortality and Sudden Cardiac Death Risk”的美国专利；专利号为9,737,229、发明名称为“Noninvasive Electrocardiographic Method for Estimating Mammalian CardiacChamber Size and Mechanical Function”的美国专利；专利号为10,039,468、发明名称为“Noninvasive Electrocardiographic Method for Estimating Mammalian CardiacChamber Size and Mechanical Function”的美国专利；专利号为9,597,021、发明名称为“Noninvasive Method for Estimating Glucose,Glycosylated Flemoglobin and OtherBlood Constituents”的美国专利；专利号为9,968,265、发明名称为“Method and Systemfor Characterizing Cardiovascular Systems From Single Channel Data”的美国专利；专利号为9,910,964、发明名称为“Methods and Systems Using MathematicalAnalysis and Machine Learning to Diagnose Disease”的美国专利；公开号为2017/0119272、发明名称为“Method and Apparatus for Wide-Band Phase Gradient SignalAcquisition”的美国专利申请；PCT公开号为WO2017/033164、发明名称为“Method andApparatus for Wide-Band Phase Gradient Signal Acquisition”的国际申请；公开号为2018/0000371、发明名称为“Non-invasive Method and System for MeasuringMyocardial Ischemia,Stenosis Identification,Localization and Fractional FlowReserve Estimation”的美国专利申请；PCT公开号为WO2017/221221、发明名称为“Non-invasive Method and System for Measuring Myocardial Ischemia,StenosisIdentification,Localization and Fractional Flow Reserve Estimation”的国际申请；专利号为10,292,596、发明名称为“Method and System for Visualization of HeartTissue at Risk”的美国专利；公开号为2018/0249960、发明名称为“Method and Systemfor Wideband Phase Gradient Signal Acquisition”的美国专利申请；于2018年12月26日提交的公开号为2019/0214137、发明名称为“Method and System to Assess DiseaseUsing Phase Space Volumetric Objects”的美国专利申请；PCT申请号为IB/2018/060708、发明名称为“Method and System to Assess Disease Using Phase SpaceVolumetric Objects”的国际申请；公开号为US2019/0117164、发明名称为“Methods andSystems of De Noising Magnetic-Field Based Sensor Data ofElectrophysiological Signals”的美国专利申请；2018年12月26日提交的公开号为2019/0214137、发明名称为“Method and System to Assess Disease Using Phase SpaceTomography and Machine Learning”的美国专利申请；PCT申请号为PCT/IB2018/060709、发明名称为“Method and System to Assess Disease Using Phase Space Tomographyand Machine Learning”的国际申请；于2019年6月18日提交的公开号为2019/0384757、发明名称为“Methods and Systems to Quantify and Remove Asynchronous Noise inBiophysical Signals”的美国专利申请；公开号为2019/0365265、发明名称为“Method andSystem to Assess PulmonaryHypertension Using Phase Space Tomography andMachine Learning”的美国专利申请；与本申请同时提交的申请号为_/_/_、发明名称为“Method and System to Assess Disease Using Phase Space Tomography and MachineLearning”的美国专利申请(代理人案卷编号10321-034usl，并要求美国专利临时申请第62/784,984号和第62/835,869号的优先权)；申请号为_/_/_、发明名称为“Method andSystem to Configure and Use Neural Network To Assess Medical Disease”的美国专利申请(代理人案卷号10321-037pvl并要求美国专利临时申请第62/784,925号的优先权)；申请号为15/653,433、发明名称为“Discovering Novel Features to Use in MachineLearning Techniques,such as Machine Learning Techniques for DiagnosingMedical Condition”的美国专利申请；申请号为15/653,431、发明名称为“DiscoveringGenomes to Use in Machine Learning Techniques”的美国专利申请；申请号为_/_/_(要求代理机构案号为10321-041pvl的申请的优先权)、发明名称为“Method and System toAssess Disease Using Dynamical Analysis of Cardiac and PhotoplethysmographicSignals”的美国专利申请；申请号_/_/_(要求代理机构案号为10321-040pvl的申请的优先权)、发明名称为“Method and System to Assess Disease Using Dynamical Analysisof Biophysical Signals”的美国专利申请，每篇文献均通过引用整体并入本文。

除非另有明确说明，否则不打算将本文中阐述的任何方法解释为要求其步骤以特定顺序执行。因此，如果方法权利要求实际上并未叙述其步骤所遵循的顺序，或者在权利要求或说明书中没有另外具体说明这些步骤将被限制为特定顺序，则在任何方面绝不认为该顺序是意图推断。这适用于任何可能的非明确解释基础，包括：关于步骤安排或操作流程的逻辑问题；源自语法组织或标点符号的简单含义；说明书中描述的实施例的数量或类型。

虽然已经结合某些实施例和具体示例描述了方法和系统，但不旨在将范围限制于所阐述的特定实施例，因为本文中的实施例旨在在所有方面是说明性的而不是限制性的。

本文所述的方法、系统和处理可用于产生狭窄和FFR 输出，以用于与诸如将血管支架放置在诸如活体(例如人)受试者的动脉之类的血管内的程序以及其他介入和手术系统或处理一起使用。在一个实施例中，本文描述的方法、系统和处理可以被配置为使用FFR/狭窄输出来确定和/或修改手术中要放置在活体(例如，人)中的支架的数量，包括它们在给定血管内的最佳部署位置等。

可以使用例示方法和系统整体或部分地分析的其他生物物理信号的例子包括但不限于：心电图(ECG)数据集、脑电图(EEG)数据集、伽马同步信号数据集、呼吸功能信号数据集、脉搏血氧饱和度信号数据集、灌注数据信号数据集、准周期生物信号数据集、胎儿ECG数据集、血压信号、心脏磁场数据集和心率信号数据集。

示例性分析可用于心脏相关病理和病症和/或神经系统相关病理和病症的诊断和治疗，此类评估可应用于诊断和治疗(包括手术、微创和/或药物治疗)其中生物物理信号涉及活体的任何相关系统的任何病理或病症。心脏方面的一个例子是CAD的诊断及其通过多种疗法的治疗(单独或组合)，例如在冠状动脉中放置支架，进行旋切术，血管成形术，药物治疗处方和/或运动处方、营养和其他生活方式改变等。可以诊断的其他心脏相关病理或病症包括例如心律失常、充血性心力衰竭、瓣膜衰竭、肺动脉高压(例如肺动脉高血压、左心疾病引起的肺动脉高压、肺病引起的肺动脉高压、慢性血栓引起的肺动脉高压和其他疾病(如血液或其他疾病)引起的肺动脉高压)、以及其他与心脏相关的病理、病症和/或疾病。可诊断的神经相关疾病、病理或病症的非限制性实例包括例如癫痫、精神分裂症、帕金森病、阿尔茨海默病(和所有其他形式的痴呆)、自闭症谱系(包括阿斯伯格综合征)、注意力缺陷多动障碍、亨廷顿病、肌营养不良症、抑郁症、双相情感障碍、脑/脊髓肿瘤(恶性和良性)、运动障碍、认知障碍、语言障碍、各种精神病、脑/脊髓/神经损伤、慢性创伤性脑病、丛集性头痛、偏头痛、神经病(各种形式，包括周围神经病)、幻肢/疼痛、慢性疲劳综合征、急性和/或慢性疼痛(包括背痛、背部手术失败综合征等)、运动功能障碍、焦虑症、由感染或外来因素(如莱姆病、脑炎、狂犬病)引起的病症、发作性睡病和其他睡眠障碍、创伤后应激障碍、与中风、动脉瘤、出血性损伤等相关的神经系统病症/影响、耳鸣和其他与听力相关的疾病/病症以及与视力相关的疾病/病症。